Leaderboard de AI Benchy

Name: Resultados de benchmark de modelos de AI BENCHY
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Benchmarks generados a partir de los suites de prueba de AI BENCHY en: 2026-10-17 Modelos evaluados: 442

Modelos recomendados

GPT-6.1 Sol xhigh Inteligente Tasa de aciertos por intento 97.1% Pruebas correctas 22 / 23 Puntuación 9.9/10 Gemini 3.7 Flash low Rápido Tiempo de respuesta (promedio) 6.24s Total de tokens de salida 38,453 Puntuación 9.4/10 GPT-6 Luna high Económico Precio de entrada $0.100 / 1M Precio de salida $0.500 / 1M Precio de lectura de caché $0.010 / 1M Precio de escritura de caché $0.125 / 1M Puntuación 7.7/10

442/442

Rango	Modelo	Puntuación	Empresa	Costo total	Tiempo de respuesta (promedio)
#375#375	Ring 2.6 1tdefault	4.5	Inclusionai	$0.026 ↑	48.94s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 14 Fiabilidad 10.0 Tasa de aciertos por intento 43.5% Pruebas inestables 2 Tokens de entrada 7,608 Tokens de salida 17,529 Tokens de razonamiento 34,499 Tiempo de respuesta (promedio) 48.94s Tiempo de respuesta (total) 831.92s Tiempo de respuesta (máximo) 143.82s Error de API: 7 Respuesta incorrecta: 5 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 9.2 Programación : 5.3 Combinado : 3.0 Análisis y extracción de datos : 3.0 Específico del dominio : 5.3 Inteligencia general : 4.3 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.7 Llamada de herramientas : 3.0 Cultura general : 3.0
#102#102	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.271	48.87s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 4 Tokens de entrada 229,530 Tokens de salida 13,757 Tokens de razonamiento 92,662 Tiempo de respuesta (promedio) 48.87s Tiempo de respuesta (total) 1123.91s Tiempo de respuesta (máximo) 254.92s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 8.3 Programación : 8.0 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 6.7 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 9.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#79#79	Qwen3.7 Maxmedium	8.5	Qwen	$1.689 ↓	48.35s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 85.5% Pruebas inestables 4 Tokens de entrada 367,848 Tokens de salida 8,753 Tokens de razonamiento 250,279 Tiempo de respuesta (promedio) 48.35s Tiempo de respuesta (total) 1112.11s Tiempo de respuesta (máximo) 556.06s Respuesta incorrecta: 5 Llamada de herramienta no válida: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.7 Análisis y extracción de datos : 10.0 Específico del dominio : 4.1 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#305#305	Nemotron 3.5 Super VLnone	5.5	NVIDIA	$0.040	46.97s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 15 Fiabilidad 9.7 Tasa de aciertos por intento 43.5% Pruebas inestables 4 Tokens de entrada 251,253 Tokens de salida 3,892 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 46.97s Tiempo de respuesta (total) 1080.29s Tiempo de respuesta (máximo) 872.07s Respuesta incorrecta: 11 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 5.0 Trucos anti-IA : 6.5 Programación : 3.6 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 4.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#142#142	Qwen3.8 27Blow	7.6	Qwen	~$0.089	46.60s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 1 Tokens de entrada 315,290 Tokens de salida 1,607 Tokens de razonamiento 207,536 Tiempo de respuesta (promedio) 46.60s Tiempo de respuesta (total) 1071.83s Tiempo de respuesta (máximo) 376.04s Respuesta incorrecta: 5 Sin respuesta: 2 No siguió las instrucciones: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 7.7 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 3.0 Cultura general : 3.0
#170#170	Qwen3.7 Flashhigh	7.2	Qwen	$0.063	45.48s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 71.0% Pruebas inestables 7 Tokens de entrada 293,775 Tokens de salida 13,527 Tokens de razonamiento 396,291 Tiempo de respuesta (promedio) 45.48s Tiempo de respuesta (total) 1045.97s Tiempo de respuesta (máximo) 431.47s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#149#149	Qwen3.6 Flashmedium	7.4	Qwen	$0.783 ↓	45.45s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 5 Tokens de entrada 258,760 Tokens de salida 22,221 Tokens de razonamiento 630,059 Tiempo de respuesta (promedio) 45.45s Tiempo de respuesta (total) 1045.45s Tiempo de respuesta (máximo) 578.13s Respuesta incorrecta: 8 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 5.0 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.8 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#230#230	Grok 4.3medium	6.5	X AI	$0.989	44.53s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 325,471 Tokens de salida 14,867 Tokens de razonamiento 217,675 Tiempo de respuesta (promedio) 44.53s Tiempo de respuesta (total) 1024.25s Tiempo de respuesta (máximo) 216.69s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.4 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#122#122	Muse Wondermax	7.9	Meta	$4.766	44.39s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 7 Fiabilidad 9.0 Tasa de aciertos por intento 75.4% Pruebas inestables 3 Tokens de entrada 93,126 Tokens de salida 10,497 Tokens de razonamiento 209,138 Tiempo de respuesta (promedio) 44.39s Tiempo de respuesta (total) 1021.02s Tiempo de respuesta (máximo) 287.79s Error de API: 4 Respuesta incorrecta: 2 No siguió las instrucciones: 1 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 7.5 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 2.8
#115#115	GLM 5.3 FlashXmax	7.9	Z.ai	$0.623	43.97s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 78.3% Pruebas inestables 6 Tokens de entrada 322,894 Tokens de salida 8,010 Tokens de razonamiento 394,755 Tiempo de respuesta (promedio) 43.97s Tiempo de respuesta (total) 1011.29s Tiempo de respuesta (máximo) 390.70s Llamada de herramienta no válida: 2 Sin respuesta: 2 Respuesta incorrecta: 2 Formato extra: 1 No siguió las instrucciones: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 8.2 Combinado : 8.2 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#412#412	Xing4.0 29b A4bnone	3.3	Xingchen AGI	$0.000	42.72s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 23 Fiabilidad 8.8 Tasa de aciertos por intento 7.3% Pruebas inestables 4 Tokens de entrada 153,665 Tokens de salida 26,540 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 42.72s Tiempo de respuesta (total) 982.66s Tiempo de respuesta (máximo) 634.11s Respuesta incorrecta: 13 No siguió las instrucciones: 5 Error de API: 3 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 3.0 Trucos anti-IA : 3.3 Programación : 3.6 Combinado : 3.0 Análisis y extracción de datos : 2.9 Específico del dominio : 3.0 Inteligencia general : 3.4 Seguimiento de instrucciones : 4.0 Resolución de acertijos : 3.1 Llamada de herramientas : 4.7 Cultura general : 3.0
#355#355	Mimo V2 Omnimedium	4.9	Xiaomi	$0.683 ↓	41.16s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 50.7% Pruebas inestables 3 Tokens de entrada 37,007 Tokens de salida 1,952 Tokens de razonamiento 357,306 Tiempo de respuesta (promedio) 41.16s Tiempo de respuesta (total) 823.26s Tiempo de respuesta (máximo) 299.23s Respuesta incorrecta: 5 No siguió las instrucciones: 2 Sin respuesta: 2 Error de API: 1 Formato extra: 1 Tareas de agentes : 0.0 Trucos anti-IA : 10.0 Programación : 3.3 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.4 Seguimiento de instrucciones : 8.3 Resolución de acertijos : 5.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#137#137	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 68.1% Pruebas inestables 6 Tokens de entrada 318,058 Tokens de salida 16,035 Tokens de razonamiento 315,072 Tiempo de respuesta (promedio) 41.03s Tiempo de respuesta (total) 943.75s Tiempo de respuesta (máximo) 394.54s Respuesta incorrecta: 7 No siguió las instrucciones: 3 Error de API: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 6.7 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 4.0 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 7.3 Llamada de herramientas : 10.0 Cultura general : 3.0
#2🥈 #2	Gemini 3.8 Flashhigh	9.9	Google	$1.927	40.60s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 1 Fiabilidad 10.0 Tasa de aciertos por intento 98.6% Pruebas inestables 1 Tokens de entrada 334,568 Tokens de salida 11,394 Tokens de razonamiento 435,334 Tiempo de respuesta (promedio) 40.60s Tiempo de respuesta (total) 933.73s Tiempo de respuesta (máximo) 177.08s Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 8.2 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 10.0
#354#354	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 20 Fiabilidad 6.2 Tasa de aciertos por intento 15.9% Pruebas inestables 1 Tokens de entrada 185,167 Tokens de salida 9,430 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 40.38s Tiempo de respuesta (total) 928.76s Tiempo de respuesta (máximo) 95.32s Respuesta incorrecta: 14 Error de API: 2 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 5.0 Trucos anti-IA : 3.3 Programación : 3.8 Combinado : 3.0 Análisis y extracción de datos : 8.7 Específico del dominio : 6.8 Inteligencia general : 5.1 Seguimiento de instrucciones : 7.0 Resolución de acertijos : 4.6 Llamada de herramientas : 3.0 Cultura general : 3.0
#109#109	Nemotron 3 Ultramedium	8.0	NVIDIA	$0.674 ↕	40.33s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.8 Tasa de aciertos por intento 68.1% Pruebas inestables 3 Tokens de entrada 482,754 Tokens de salida 62,455 Tokens de razonamiento 141,067 Tiempo de respuesta (promedio) 40.33s Tiempo de respuesta (total) 927.65s Tiempo de respuesta (máximo) 392.56s Respuesta incorrecta: 7 Error de API: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 8.4 Combinado : 6.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 3.7 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.5 Llamada de herramientas : 10.0 Cultura general : 3.0
#167#167	Qwen3.8 27Bmedium	7.2	Qwen	~$0.073	40.09s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 9 Fiabilidad 9.7 Tasa de aciertos por intento 66.7% Pruebas inestables 2 Tokens de entrada 277,164 Tokens de salida 1,913 Tokens de razonamiento 168,783 Tiempo de respuesta (promedio) 40.09s Tiempo de respuesta (total) 881.89s Tiempo de respuesta (máximo) 214.63s Respuesta incorrecta: 4 No siguió las instrucciones: 2 Error de API: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 8.7 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.3 Llamada de herramientas : 3.0 Cultura general : 3.0
#33#33	GPT-5.5medium	9.2	OpenAI	$4.809	39.86s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 4 Fiabilidad 10.0 Tasa de aciertos por intento 88.4% Pruebas inestables 3 Tokens de entrada 180,959 Tokens de salida 6,472 Tokens de razonamiento 123,635 Tiempo de respuesta (promedio) 39.86s Tiempo de respuesta (total) 916.82s Tiempo de respuesta (máximo) 332.10s Respuesta incorrecta: 4 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 8.8 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 2.8
#47#47	Muse Spark 1.3medium	9.0	Meta	$1.712	39.83s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 5 Fiabilidad 10.0 Tasa de aciertos por intento 85.5% Pruebas inestables 3 Tokens de entrada 250,676 Tokens de salida 13,511 Tokens de razonamiento 315,400 Tiempo de respuesta (promedio) 39.83s Tiempo de respuesta (total) 916.20s Tiempo de respuesta (máximo) 219.77s Respuesta incorrecta: 4 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 9.6 Cultura general : 3.0
#172#172	GLM 5medium	7.2	Z.ai	$0.479 ↑	39.05s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 7 Fiabilidad 10.0 Tasa de aciertos por intento 76.8% Pruebas inestables 5 Tokens de entrada 212,440 Tokens de salida 22,922 Tokens de razonamiento 115,335 Tiempo de respuesta (promedio) 39.05s Tiempo de respuesta (total) 546.68s Tiempo de respuesta (máximo) 110.70s Respuesta incorrecta: 4 No siguió las instrucciones: 1 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 5.0 Análisis y extracción de datos : 7.1 Específico del dominio : 3.5 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#433#433	Step 3.5 Flashnone	1.9	Stepfun	$0.020	39.03s
Ver ficha del modelo Pruebas totales 12 Pruebas incorrectas 6 Fiabilidad 10.0 Tasa de aciertos por intento 26.1% Pruebas inestables 0 Tokens de entrada 1,971 Tokens de salida 50,509 Tokens de razonamiento 33,867 Tiempo de respuesta (promedio) 39.03s Tiempo de respuesta (total) 312.26s Tiempo de respuesta (máximo) 114.12s Error de API: 4 No siguió las instrucciones: 1 Respuesta incorrecta: 1 Tareas de agentes : 0.0 Trucos anti-IA : 10.0 Programación : 1.0 Combinado : 1.5 Análisis y extracción de datos : 1.5 Específico del dominio : 3.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 5.0 Resolución de acertijos : 0.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#257#257	DeepSeek V4 Flash 0423none	6.3	DeepSeek	$0.149 ↑	38.64s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 18 Fiabilidad 10.0 Tasa de aciertos por intento 30.4% Pruebas inestables 4 Tokens de entrada 403,455 Tokens de salida 100,227 Tokens de razonamiento 15,364 Tiempo de respuesta (promedio) 38.64s Tiempo de respuesta (total) 888.69s Tiempo de respuesta (máximo) 247.27s Respuesta incorrecta: 13 Formato extra: 2 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 10.0 Trucos anti-IA : 3.0 Programación : 4.2 Combinado : 4.6 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.2 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.1 Llamada de herramientas : 10.0 Cultura general : 3.0
#381#381	Cobuddymedium	4.4	Baidu	$0.000	38.01s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 15 Fiabilidad 10.0 Tasa de aciertos por intento 43.5% Pruebas inestables 6 Tokens de entrada 37,449 Tokens de salida 1,677 Tokens de razonamiento 116,703 Tiempo de respuesta (promedio) 38.01s Tiempo de respuesta (total) 798.15s Tiempo de respuesta (máximo) 309.02s Respuesta incorrecta: 9 No siguió las instrucciones: 3 Error de API: 2 Llamada de herramienta no válida: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.7 Programación : 3.7 Combinado : 1.5 Análisis y extracción de datos : 6.3 Específico del dominio : 2.9 Inteligencia general : 4.2 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 3.6 Llamada de herramientas : 10.0 Cultura general : 3.0
#87#87	Muse Spark 1.1high	8.4	Meta	$2.570	37.41s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 69.6% Pruebas inestables 6 Tokens de entrada 336,310 Tokens de salida 10,838 Tokens de razonamiento 494,728 Tiempo de respuesta (promedio) 37.41s Tiempo de respuesta (total) 860.39s Tiempo de respuesta (máximo) 196.03s Respuesta incorrecta: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Error de API: 1 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 10.0 Trucos anti-IA : 7.5 Programación : 10.0 Combinado : 5.9 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 7.8 Llamada de herramientas : 9.6 Cultura general : 3.0
#353#353	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 19 Fiabilidad 9.8 Tasa de aciertos por intento 18.8% Pruebas inestables 1 Tokens de entrada 307,670 Tokens de salida 70,427 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 37.19s Tiempo de respuesta (total) 855.27s Tiempo de respuesta (máximo) 433.02s Respuesta incorrecta: 15 No siguió las instrucciones: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 3.9 Trucos anti-IA : 3.1 Programación : 3.9 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 4.4 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 3.2 Llamada de herramientas : 10.0 Cultura general : 3.0

Tendencias globales del benchmark

Descubre cómo los modelos actuales equilibran puntuación, costo, velocidad, longitud de salida y rendimiento por categoría.

Gráficos →

Frontera de Pareto: inteligencia vs costo

Evolución de la mejor puntuación de las empresas líderes

Frontera de Pareto: inteligencia vs velocidad de respuesta

Frontera de Pareto: puntuación vs tokens de salida

Dificultad de las categorías entre modelos

Comparación rápida

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow